未来，人工智能将以何种方式发展？

早在20世纪初期，人们就已经开始思考机器人能否像人一样开始思考。在各类文学作品和科幻电影中，我们看到的“能够思考的机器人”，其实就是人工智能的起源。直到20世纪50年代，人工智能的概念正式被提出。

英国科学家图灵在1950年的时候，提出一个问题，“如果人能够结合现有数据进行逻辑推理来解决现实问题，那么机器人为什么不可以?”

到目前为止，很多人都是觉得是可以的。

于是政府、企业机构、院校等投入大量的资金、财力以及人力，希望能够正面回答这个问题。但是从目前来看，还是很遗憾，这样大的投入却收效甚微。尽管目前人工智能技术取得了很多进展和突破，但是距离真正的实际运用还有很长的一段距离。

人工智能是在21世纪才得以繁荣发展，得益于深度学习算法的突破、计算机计算能力的飞跃以及信息数据的大爆炸，这三者缺一不可。不断涌现的人工智能成果向研究者和投资者证明，人工智能的确能够提高生产效率和改变人类日常生活。

人工智能在最近10年已经从实验室走向了商业应用，渗透到我们日常生活中很多细节。购物网站能够根据用户浏览、购买信息为用户推荐个性化商品。智能手机能够根据我们日程安排，推荐最佳线路和酒店推荐。如今，部分汽车、公交已经实现了“自动驾驶”。

目前人工智能正以高速增长的态势持续发展，以数据为主的谷歌、亚马逊、阿里巴巴、腾讯、百度等科技巨头成为了人工智能发展的主要推动者。可以肯定的是，目前人工智能还不能真正像人一样思考。

有人说，人工智能学习系统所需要的数据、计算能力都远远超过人类大脑的承受范围。即使目前很先进的图像识别算法能够超过人类识别图片水平，但是也不能理解图片中的猫是什么。

那是不是现在的人工智能发展方向有问题?

百度CEO李彦宏曾对人工智能做出一种解释，“人工智能不应该长得像人，而是应该让机器能够实现人的价值。”从这个角度上来说，目前人工智能发展实现了人能够实现的听说读写，其发展方向并没有什么大问题。但是从人工智能是否能够走向人类智慧这个角度来说，目前还没有定论判断是否方向有问题。

那么，如今的人工智能发展如何?发展过程中又存在哪些问题?未来，人工智能将以何种形式发展，才能实现像人一样的思考?

人工智能的发展现状

人工智能发展到现在的高度，技术上较大的功臣，应该就属于深度学习算法(Deep Learing)。深度学习算法也就是利用多层神经网络，从极大的数据中学习，从而实现对未来的预测，并使人工智能系统越来越智能。

传统的人工神经网络算法是由一个输入层和一个输出层组成的浅层神经网络。在神经网络中，随机分配给每个连接之间的权重数值，然后通过训练实现误差最小化。但是，之前的神经网络不能训练太多神经网络参数，因此也不能识别太复杂的模式。

深度学习网络

深度学习，顾名思义，是指神经网络中层数比较多，含有多个隐含层。多个隐含层让神经网络能够以分层的方式学习数据的特征，因为简单特征可以逐层叠加，形成更加复杂的特征。一旦算法框架构建后，通过更多的“训练”实现误差最小化。

总而言之，深度(多层神经网络算法)和学习(大数据训练)是深度学习必不可少的环节。

其他重要的人工智能技术的发展都得益于深度学习的技术支撑。除了深度学习，强化学习(Reinforcement Learning)也是机器学习领域的热门技术。强化学习能够在没有计算机的明确指示下，像人一样实现自主学习。当达到一定的学习量之后，强化学习系统就能够预测出正确的结果。

强化学习的基本思想是，学习在不同环境和不同状态下，哪种行为能够使得预期利益最大化。强化学习的学习过程不需要数据标注，而是由奖励函数进行主导。如同婴儿学走路，根据产生的结果好坏来调整行为动作。

深度学习与强化学习融合，衍生出了深度强化学习(Deep Reinforcement Learning)。2016年，谷歌的围棋程序(AlphaGo)就是利用这种深度强化学习，击败了世界顶级围棋选手，成为人工智能领域的又一里程碑。

AlphaGo

即使在围棋、游戏比赛中大放光彩的强化学习，目前真正落地的运用并不多，其商业价值也是无法与深度学习项媲美的。原因在于，目前还没有平台能够提供强化学习所需要的巨大数据，无法穷举现实中可能遇到的种种复杂情况。这种数据“饥渴”在很多现实领域中都是无法实现的。

深度学习和强化学习结合的时候，对现实情况的枚举就变成，首先对现实情况进行模式识别，然后进行有限模式的枚举，从而减少了计算的压力，但是所需的数据将比其他机器学习算法要大得多。

无论是深度学习，还是强化学习，都非常依赖大量的数据进行训练，而且这个计算过程更倾向于蛮力计算。对抗神经网络(Generative Adversarial Networks，简称GAN)，是近几年最有潜力能够解决这一瓶颈的机器学习模型。

对抗神经网络则是通过两个人工智能系统相互对抗产生超级真实的原创图片和声音。对抗神经网络赋予了机器创造和想象的能力，也让机器学习减少了对数据的依赖，这是人工智能领域的又一重大突破。

对抗神经网络

2018年，发表在Arxiv网站上的论文《StackGAN: Text to Photo-realistic Image Synthesis with Stacked Generative Adversarial Networks》表明，利用对抗性神经网络，只需给系统输入简单的文字，系统就会生成图片。

（编辑：核心网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!